Keras实践笔记1——线性回归

import matplotlib.pyplot as plt
import numpy as np
from keras import Sequential
from keras.layers import Dense

x = np.linspace(-10, 10, 300)
y = 3 * x + np.random.random(x.shape) * 0.44

model = Sequential()
model.add(Dense(1, activation='linear', input_shape=(1,)))
model.compile(optimizer='SGD', loss='mean_squared_error', metrics=['accuracy'])

model.summary()

model.fit(x, y, epochs=100, validation_split=0.3, verbose=2)
y_paint = model.predict(x)

plt.plot(x, y)
plt.plot(x, y_paint)
plt.show()

模型的summery如下

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense_1 (Dense)              (None, 1)                 2         
=================================================================
Total params: 2
Trainable params: 2
Non-trainable params: 0

Dense是keras里面最常用的全连接层，我们定义了输入的形状是一维数组，这里有个比较好理解的方式，也就是input_shape的第一维度长度是送进去学习的记录数，后面的则是代表着一条记录，这一条记录可能是n维的。总的来说，这里用去掉第一个维度的shape就好了。 在第一层的Dense里面，定义了这一层的网络输出为1，也就是summery里面打出来的(None, 1)了。那这些输出怎么出来呢？在Dense里面我们定义了一个激活函数，这里用了keras预定义的linear 激活函数，也就是线性激活函数了。

由于线性回归比较简单，所以一层神经元就可以了，接下来调用compile函数构建模型。 在compile函数里面，我们制定了优化器为SGD(随机梯度下降)。这里推荐这篇文章理解SGD是怎么回事 为什么说随机最速下降法(SGD)是一个很好的方法？，评价损失使用均方误差mean_squared_error ，而性能评估函数选择了accuracy ，Keras的文档没有说明这货是怎么回事，倒是讲了其他杂七杂八的评估函数.....翻看了源码后发现，只要选的事accuracy，那么他就会根据损失函数和输出自动选择=。=

均方误差（Mean Squared Error, MSE）是衡量“[平均误差]”的一种较方便的方法。可以评价数据的变化程度。

转载于:https://my.oschina.net/xiaomaijiang/blog/1827493